PENINGKATAN ALGORITMA NAIVE BAYES PADA KLASIFIKASI KATEGORI REVIEW PELANGGAN TERHADAP PRODUK DENGAN CORRELATION-BASED FEATURE SUBSET SELECTION (CSF)

Abstract

Loyalitas pelanggan, keputusan membeli kembali serta kepuasan merupakan salah satu konsep yang paling sering diteliti oleh akademisi. Kesetiaan, pembelian kembali dan kepuasan pelanggan memiliki dampak yang kuat terhadap kinerja perusahaan dengan memberikan keunggulan kompetitif, semakin banyak pelanggan setia, maka tingkat kepuasan pelanggan meningkat. Meskipun sebenarnya penelitian (hubungan antara loyalitas pelanggan, pembelian kembali dan kepuasan) ini dilakukan secara ektensif, namun semuanya tampak kompleks dan multidimensional, sehingga sulit dipahami dengan baik.Pada penentuan tipe pelanggan berdasarkan review komentar online, fitur yang dihasilkan dari dokumen review tersebut sangat banyak. Sehingga akurasi klasifikasi rendah.Adapun beberapa teknik seleksi fitur dengan metode filter yaitu dokumen frequency dan ChiSquare. Metode Chi Square lebih sering digunakan untuk pengklasifikasian dengan dokumen yang banyak bila dibandingkan Information Gain. Semakin banyak jumlah dokumen yang digunakan dalam klasifikasi dapat meningkatkan nilai F-Measure klasifikasi teks dengan metode Chi Square.Berdasarkan analisa di atas maka penulis akan menggunakan metode Naive Bayes dengan Correlation-Based Feature Subset Selection (CFS). Dengan metode tersebut, diharapkan akan menghasilkan klasifikasi pelanggan dengan nilai akurasi yang baik untuk digunakan dalam review produk.Dengan menggunakan Cfs mengalami peningkatan nilai recall dari 88,50%, menjadi 94,78%. Dengan demikian membuktikan bahwa algoritma ini mampu menjawab NB cukup optimal digunakan untuk mengklasifikasikan pelanggan pada dataset komentar toko online